收益：
- 能够区分人工智能在 ESG 工作流程中节省时间的地方（数据、账户、映射、报告）以及因素、标准和索赔决策留给人类的地方，具体取决于风险级别
- 能够应用一门学科，通过单位、来源和审计跟踪步骤审计每个数字和定性输出
- 了解为什么虚假排放因子、虚假标准参考和绿色清洗语言对该行业构成风险，需要从一开始就考虑在内。
公司的可持续发展报告不再只是一本善意的小册子；它是一份与会计文件一样具有约束力、经过审计并具有法律后果的文件。随着欧盟CSRD（企业可持续发展报告指令）的监管，数千家企业；它必须以强制性、可验证和可比较的方式披露碳排放、员工数据和供应链影响，就像财务报表一样。在本单元中，您将了解人工智能 (AI) 在这项繁重且数据密集型任务中真正节省时间的地方、危险的地方以及如何验证每个输出。
首先，一个批判性的概念。 ESG是英文单词Environmental、Social和Governance的首字母缩写；它是衡量公司环境影响（例如碳排放和用水）、社会影响（例如员工权利和职业安全）以及治理实践（例如董事会结构和道德）的框架的名称。可持续发展报告是以标准方式衡量这三个领域的绩效并向公众披露。
第二个关键概念：幻觉是指人工智能完全自信地产生并不真实的信息。在 ESG 世界中：您可能会遇到虚构的排放因子、不存在的 GRI 标准编号、不正确的单位或引用不存在的立法文章。关键的一点是，大型语言模型（LLM）不是计算器、监管数据库或审计员。它是一个文本生成器，可以统计地模仿它在训练数据中看到的文本。大多数时候它都会产生准确的信息；但“大部分时间准确”和“准确到足以通过审计”之间的区别在 ESG 报告中至关重要。
人工智能在 ESG 中哪些发挥作用，哪些不起作用？
将人工智能视为快速草稿、数据管理和分析合作伙伴：有价值但对于验证至关重要。以下区别是该模块的支柱。
任务
人工智能的贡献
专家的责任
数据收集
编辑不同的格式，标记空格
与源文件确认编号
排放账户
创建公式和计算框架
验证官方来源的排放因子
GRI/CSRD 映射
推荐标准项目的成分
与标准文本完全核对
重要性分析
将利益相关者的意见分为主题
做出优先级决定
报告撰写
生成草稿文本和摘要
用证据支持每一个主张
漂绿控制
标记危险短语
承担最终索赔责任
经验法则：不要将人工智能应用于数据本身；用于组织数据、支架分析和草稿文本；始终使用主要来源（发票、仪表记录、官方标准文本、排放因子数据库）验证每个数字和每个标准参考。可持续发展报告中的每个数字背后都应该有审计师可能需要的审计跟踪。人工智能无法提供这种证据；它只是帮助你组织它。
AI在ESG中的三大致命陷阱
1. 虚构的排放因子和数字。人工智能可以用一个看似合理的数字“填写”它不记得的排放因子（每单位燃料或电力的碳排放系数）。这个数字使整个碳足迹计算无效。
2. 引用不存在或过时的立法/标准。人工智能可以生成看似真实但内容被歪曲或完全捏造的标准数字，例如“GRI 305-7”。标准也定期更新；模型已知的版本可能已过时。
3. 产生绿色清洗的语言。 AI热衷于制造出诸如“环境友好”、“环境友好”、“碳中和”等听起来不错但未经证实且具有误导性的言论。这些声明如今具有法律风险。我们将在第 10 单元中深入讨论这一点。
提示：通过三个问题来处理每个 ESG 数值结果：(1) 其单位是什么（tCO2e、kg、MWh）？ (2) 来源是哪个文献？ (3) 我如何向审核员证明这个数字？这三个问题将大多数 ESG 错误发现在萌芽状态。 “tCO2e”在此是指“吨二氧化碳当量”；它是一种将不同温室气体转换为一个通用单位的措施。
循序渐进：ESG 中的安全 AI 工作流程
1. 将任务与标准和单元联系起来。不要说“计算我们的碳排放量”，而是说“2024 年，伊斯坦布尔办事处，天然气消耗量 12,000 立方米；使用温室气体协议范围 1 方法计算以 tCO2e 为单位的排放量，指定排放因子和您使用的来源。”
2. 明确询问来源和假设。要求人工智能写下每个数字使用的排放因子、标准和假设。请勿在未注明来源的情况下接受任何号码。
3. 与主要来源核实。从官方数据库（例如国家能源部、英国 DEFRA 数据集、IEA）、GRI 或 EFRAG 官方文件中的标准文本确认排放因子。 EFRAG 是制定 CSRD 所依据的 ESRS（欧洲可持续发展报告标准）标准的欧洲机构。
4. 保存审计跟踪。在表格中写下您使用的数据、来源、日期以及假设。保证审核员（独立验证员）会提出要求。
5. 让人工确认最终声明。每项公开 ESG 声明背后都必须有一个负责人。
弱提示/强提示
以两种不同的方式请求同一份工作会从根本上改变结果的可信度。
弱提示：
计算我们公司的碳足迹并为可持续发展报告写一段话。
本声明不包括单位、范围、年份、数据和来源；人工智能用捏造的方式填补了空白，并产生了充满绿色清洗的文本。
强力提示：
您的角色：高级 ESG 报告专家。输入数据（仅使用这些数据，如果缺少，则写“无数据”）：- 2024 年，天然气：12,000 立方米- 2024 年，电网电力：85,000 kWh 任务：使用温室气体协议范围 1 和范围 2（基于位置）方法计算二氧化碳排放量。规则：- 您使用的每个排放量 在单独的列中指定系数、单位和来源。 - 如果您不知道该因素，请勿弥补；写下“需要官方因素”。 - 在表格中给出结果；最后列出需要验证的项目。
道德、隐私和界限
ESG 数据通常很敏感：员工性别和薪资数据（社会指标）、供应商合同条款、尚未披露的财务影响。在将这些数据输入公共人工智能工具之前，先明确隐私边界。在将个人数据（KVKK 和 GDPR 范围内的姓名、ID、工资）提供给 AI 之前进行匿名或汇总；即不再是个别的人，而是将其转化为“女员工比例为38%”之类的汇总数字。 KVKK 是土耳其的个人数据保护法，GDPR 是欧洲的个人数据保护法。
注意：ESG 报告中的虚假或夸大声明不仅会带来声誉风险，还会带来声誉风险。根据 CSRD 和国家消费者立法，这可能会导致罚款和法律责任。请勿在没有证据的情况下发表人工智能提出的任何主张。
三个迷你箱子
案例 1——人为因素。一家制造公司向 AI 提供了柴油消耗量，并要求进行排放计算。 YZ 使用的系数“柴油为 2.40 千克二氧化碳当量/升”。专家查证：官方系数约为2.68千克二氧化碳当量/升。差异为 10%，意味着每 40,000 升消耗量偏差约 11 吨二氧化碳当量。该因素已从官方来源得到纠正。
情况 2 — 不存在的标准。一位顾问向YZ询问报告的标题“GRI 305-8水消耗”。鉴于 GRI 303 报告了水； GRI 305 是空气排放。当检查标准文本时，发现了错误并将内容移至正确的文章。
案例 3——洗绿语言。 YZ为零售品牌建议了一句“我们的产品完全环保”。 ESG 团队发现这一点无法证明，并用具体的、可证明的声明取而代之，例如“我们 60% 的包装是回收的（2024 年，内部测量）”。
提示审核准备工作
用审计的眼光检查下面的 ESG 文本。对于每个数字声明： 1) 单位是否清楚？ 2）是否注明来源？ 3）它是可验证的还是主观/夸大的？标记未经证实或模糊的陈述，例如“环保、绿色、自然”，并为每个陈述提出具体的、可衡量的替代方案。文字：[文字]
以下提示产生了一个简短的政策大纲，阐明了组织内人工智能使用的限制。
您的角色：可持续发展团队领导者。任务：编写一份 1 页的内部政策草案，管理团队在 ESG 工作中使用人工智能。包括：- 可以自由使用人工智能的任务（大纲、摘要、格式化）- 需要人工验证的任务（数字、因子、标准归属、声明）- 永远不会输入人工智能的数据类型（个人数据、未公开的财务影响） 语气：清晰、要点、适用。
以下提示设置了一个小型“审计跟踪”表框架，可以将其添加到每个 ESG 可交付成果中。
在以下帐户旁边生成审计跟踪表。列：数据项|价值|单位|源文件|日期 |假设|是否已验证？如果来源未知，请在每一行写上“SOURCE REQUIRED”。条目：[帐户]
常见错误
- 接受没有来源的号码。 YZ给出的每一个排放因子和数字在未经官方消息来源确认的情况下均未包含在报告中。
- 忽略单位。如果将公斤与吨、千瓦时与兆瓦时混淆，结果可能会偏差1000倍。
- 盲目相信他们的标准伎俩。 GRI/ESRS 物质编号必须通过官方文件进行验证。
- 按原样输入敏感数据。未经匿名处理，员工和供应商数据不会提供给公共工具。
- 用人工智能代替审计员。人工智能可以生成清单，但无法提供独立的保证。
综上所述
AI是ESG领域强大的起草、数据管理和分析合作伙伴；但它不是计算器、监管数据库或审计师。它的价值是通过它的验证来体现的。从主要来源确认每个数字，将每个标准参考与官方文本进行比较，匿名化敏感数据并将最终索赔的责任留给人是该模块的不变支柱。永远不要忘记“表现得流利”和“通过审核”之间的区别。
应用任务
从您自己的组织（或虚构的公司）中选择一项环境数据：例如，每月的电费账单。使用上面的“电源提示”模板向人工智能请求范围 2 排放核算框架。然后：（1）将其使用的排放因子与官方来源进行比较，（2）检查单位的一致性，（3）编写一个小的审计跟踪表，列出哪些项目“需要验证”。
清单
- [ ] 我质疑AI给出的每一个数字的单位和来源。
- [ ] 我通过官方数据库确认了排放因子。
- [ ] 我已经用官方文本验证了标准 (GRI/ESRS) 编号。
- [ ] 我已匿名或聚合敏感/个人数据。
- [ ] 我标注了“环保、绿色、天然”等没有证据的表述。
- [ ] 我为每个决定保留了审计线索（来源、日期、假设）。
- [ ] 我已确定负责人确认最终索赔。